AlphaGeometry2 : l’IA de DeepMind au niveau de l’or en géométrie olympique

Résoudre un problème de géométrie des Olympiades internationales de mathématiques demande bien davantage que d’appliquer une formule. Il faut interpréter une figure, imaginer une construction utile, choisir parmi de nombreuses pistes et bâtir une démonstration sans faille. C’est sur ce terrain exigeant que Google DeepMind affirme avoir franchi une étape avec AlphaGeometry2, un système dont les résultats se rapprochent, sur un ensemble historique précis, de ceux des meilleurs candidats humains.

La publication mise en ligne sur arXiv en février 2025 décrit une IA capable de s’attaquer à des exercices réservés, en temps normal, à une petite élite de lycéens passionnés de mathématiques. Son résultat le plus marquant est simple à énoncer : 42 problèmes résolus sur 50. Mais sa portée mérite d’être précisément expliquée. AlphaGeometry2 n’a pas remporté une médaille dans une compétition en direct et ne résout pas toutes les mathématiques. Il s’agit d’un progrès spectaculaire dans un domaine délimité, celui de la géométrie de niveau olympique.

Ce que DeepMind annonce exactement

Google DeepMind est la branche de recherche en intelligence artificielle de Google. Elle avait déjà présenté AlphaGeometry en janvier 2024, avec l’ambition de traiter des démonstrations géométriques difficiles. AlphaGeometry2 en est une version améliorée, conçue pour aller plus loin dans la recherche de pistes de résolution et la vérification logique des étapes.

Les chercheurs ont évalué le système sur des problèmes issus des 25 dernières années de l’Olympiade internationale de mathématiques, ou IMO. Cette compétition annuelle réunit les meilleurs lycéens sélectionnés par leurs pays. Ses six problèmes, répartis sur deux journées, sont connus pour exiger inventivité, rigueur et persévérance.

Le terme « niveau médaille d’or » doit donc être compris comme une comparaison de performance sur un benchmark, c’est-à-dire un jeu de tests. Le résultat ne correspond pas à une médaille officiellement remise à l’IA dans les conditions d’une édition de l’IMO. Cette nuance est importante : les concours reposent sur des sujets inédits, un temps limité et des règles de participation qui ne sont pas celles d’une évaluation rétrospective en laboratoire.

Pourquoi la géométrie est-elle un test difficile pour une IA ?

Les systèmes d’IA générative sont devenus très efficaces pour produire du texte, résumer un document ou répondre à des questions courantes. Les démonstrations de géométrie posent une difficulté d’une autre nature. Une réponse plausible ne suffit pas : chaque assertion doit découler rigoureusement des hypothèses et des résultats déjà établis.

Un exercice peut par exemple décrire un triangle, des droites, des cercles et plusieurs points d’intersection. La solution n’apparaît pas toujours dans la figure de départ. Il faut parfois introduire un point supplémentaire, tracer une ligne auxiliaire ou reformuler le problème à l’aide d’une propriété connue. C’est ce que les mathématiciens appellent une construction.

Cette étape est particulièrement délicate pour une machine. Il existe souvent une multitude de constructions possibles, dont la plupart ne mènent nulle part. L’enjeu n’est donc pas seulement de vérifier une preuve une fois trouvée, mais de proposer les bonnes idées intermédiaires. Les travaux antérieurs sur AlphaGeometry partaient de ce constat : une IA réellement utile en géométrie doit savoir naviguer parmi plusieurs étapes de raisonnement possibles, au lieu de dérouler mécaniquement une recette prédéfinie.

Les problèmes de l’IMO sont un bon révélateur de cette aptitude parce qu’ils ne se réduisent pas à des calculs numériques. Ils demandent une forme de stratégie : identifier une relation cachée, décider quels objets ajouter au diagramme, puis justifier le chemin choisi. C’est précisément cette combinaison d’exploration et de contrôle logique que DeepMind cherche à automatiser.

Comment fonctionne AlphaGeometry2 ?

AlphaGeometry2 ne repose pas sur un seul modèle chargé de tout faire. Le système rassemble plusieurs composants, dont Gemini, le modèle de langage de Google, et des mécanismes fondés sur des règles mathématiques. Cette architecture est souvent qualifiée de neuro-symbolique : elle associe les capacités de suggestion et de généralisation des réseaux de neurones à la rigueur d’outils symboliques qui manipulent explicitement des relations mathématiques.

Le rôle du modèle de langage est notamment d’aider à explorer les constructions susceptibles de débloquer un problème. Face à une configuration géométrique, l’IA peut proposer une direction de travail, par exemple l’ajout d’un élément au diagramme ou l’examen d’une relation particulière. D’autres composants du système utilisent alors les règles de la géométrie pour prolonger le raisonnement, travailler sur le problème entier ou sur certains de ses sous-ensembles, et écarter les pistes incohérentes.

Cette séparation des rôles répond à une limite connue des modèles de langage : ils peuvent formuler une démonstration qui paraît convaincante sans qu’elle soit formellement valide. En mathématiques, une seule étape injustifiée suffit à invalider la conclusion. AlphaGeometry2 est donc conçu non seulement pour générer des propositions de résolution, mais aussi pour vérifier la logique de chaque étape.

Le gain apporté par cette approche est double. D’une part, le système peut explorer des idées qui ne figurent pas explicitement dans l’énoncé. D’autre part, il ne dépend pas uniquement de la fluidité de son langage pour juger de la qualité d’une preuve. La génération d’hypothèses et la validation formelle se complètent.

Que signifie le score de 42 problèmes sur 50 ?

Pour mesurer les progrès d’AlphaGeometry2, les chercheurs ont sélectionné 45 problèmes emblématiques de l’IMO. Certains ont nécessité des transformations pour être adaptés à l’évaluation, portant le total à 50 problèmes analysés. Le système en a résolu 42.

DeepMind indique que ce résultat dépasse celui des médaillés d’or humains lorsqu’ils sont comparés sur le même ensemble. C’est une référence particulièrement impressionnante : les médaillés d’or de l’IMO comptent parmi les meilleurs jeunes mathématiciens du monde. Toutefois, comparer un système à des concurrents humains exige de regarder attentivement le cadre du test.

D’abord, il s’agit d’un corpus historique, et non d’une épreuve inconnue soumise simultanément à des candidats. Ensuite, la sélection porte sur la géométrie, l’une des grandes familles de problèmes de l’IMO, mais pas sur toutes les disciplines présentes dans la compétition. Les Olympiades comportent aussi des exercices d’algèbre, de théorie des nombres et de combinatoire. Enfin, certains problèmes ont été adaptés, ce qui rend le benchmark plus spécifique qu’un palmarès général des capacités mathématiques.

Ces réserves ne diminuent pas l’intérêt de la démonstration. Résoudre 42 problèmes de ce niveau avec des preuves contrôlées montre qu’une IA peut désormais atteindre une très grande compétence dans un domaine de raisonnement formel qui résistait encore largement aux approches généralistes. Mais le résultat ne permet pas de conclure qu’AlphaGeometry2 possède l’intuition globale, la polyvalence ou l’autonomie d’un chercheur en mathématiques.

AlphaProof et AlphaGeometry2 : deux systèmes complémentaires

Le travail de DeepMind ne se limite pas à AlphaGeometry2. L’équipe a aussi développé AlphaProof, un autre système consacré à la réalisation de preuves mathématiques. Là où AlphaGeometry2 est spécialisé dans la géométrie et l’exploration de constructions, AlphaProof s’inscrit dans une approche de démonstration plus générale.

Les deux systèmes ont été associés pour traiter les sujets de l’IMO de l’été 2024. Selon les résultats rapportés par DeepMind, cette combinaison a résolu quatre problèmes sur six. Cette évaluation est distincte du test historique de 50 problèmes de géométrie : elle porte sur une édition précise de la compétition et sur l’action conjointe de deux outils spécialisés.

Cette complémentarité illustre une orientation importante de la recherche en IA. Plutôt que de confier toutes les tâches à un modèle unique, les laboratoires construisent des ensembles où chaque composant apporte une aptitude précise : générer des idées, manipuler des règles, chercher une preuve, contrôler la validité du résultat. Dans les mathématiques, où la moindre approximation peut être rédhibitoire, cette organisation peut être plus robuste qu’une génération de texte seule.

Quels usages pour l’éducation et la recherche ?

À court terme, les travaux sur AlphaGeometry2 pourraient enrichir les outils d’apprentissage des mathématiques. Un assistant fondé sur des mécanismes comparables pourrait aider un élève à comprendre pourquoi une piste échoue, suggérer une construction intermédiaire ou détailler la chaîne logique d’une démonstration. Pour être réellement utile, un tel outil devrait toutefois expliquer sans donner immédiatement la réponse, s’adapter au niveau de l’apprenant et être contrôlé par des enseignants.

Pour les chercheurs, l’intérêt est plus large. Les mathématiques formelles jouent un rôle dans de nombreux domaines scientifiques et techniques, depuis la vérification de logiciels jusqu’à certains raisonnements utilisés en physique ou en informatique théorique. Une IA capable de proposer des étapes de preuve tout en les vérifiant pourrait accélérer l’exploration de certaines pistes. Elle ne remplacerait pas le jugement scientifique, qui consiste aussi à choisir les bonnes questions et à interpréter la portée d’un résultat.

La publication d’AlphaGeometry2 sur arXiv constitue par ailleurs une prépublication. Cela permet à la communauté scientifique d’examiner rapidement la méthode et les résultats, mais ce n’est pas la même chose qu’une évaluation complète par les pairs dans une revue scientifique. Les détails du protocole, des adaptations de problèmes et des critères de réussite comptent autant que le score final pour apprécier la solidité de l’annonce.

Ce qu’il faut surveiller

La prochaine étape sera de déterminer jusqu’où cette méthode peut être étendue. Un système performant en géométrie peut-il conserver sa rigueur en algèbre, en théorie des nombres ou en combinatoire ? Peut-il traiter des problèmes réellement inédits, plus ouverts, et produire des preuves lisibles par des humains ? Ces questions sont décisives pour distinguer un excellent spécialiste d’un outil mathématique général.

Il faudra aussi observer la qualité pédagogique des futurs usages. Une IA qui fournit une solution exacte peut être précieuse pour vérifier un raisonnement, mais elle peut aussi court-circuiter l’effort d’apprentissage si elle se contente de livrer la réponse. Le défi consistera à transformer cette puissance de calcul et de vérification en un accompagnement qui développe l’autonomie des élèves.

AlphaGeometry2 témoigne enfin d’un mouvement plus profond : les progrès de l’IA ne concernent plus seulement la production de texte ou d’images. Ils touchent des tâches où la créativité doit s’accompagner d’une démonstration contrôlable. En février 2025, la géométrie olympique devient ainsi un laboratoire très concret pour tester une promesse centrale de l’intelligence artificielle : aider à explorer des raisonnements complexes sans renoncer à la rigueur.